网络训练方法、装置、分割方法、计算机设备和存储介质制造方法及图纸

本申请涉及一种网络训练方法、装置、分割方法、计算机设备和存储介质，由于一开始先根据多个图片级气胸数据、多个标准像素级气胸数据和多个不包括气胸区域的数据训练了一个分类网络，该分类网络可以将图片级气胸数据转换为对应的伪像素级气胸数据，而该伪像素级气胸数据中包括了气胸区域的标注信息，然后根据该伪像素级气胸数据和标准像素级气胸数据就可以训练分割网络，保证了分割网络的所有训练数据都是包含气胸区域标注信息的，相当于增加了分割网络的训练数据，使得分割网络训练更加鲁棒，从而可以得到更加精确的气胸区域分割结果。

Network training method, device, partition method, computer equipment and storage medium

【技术实现步骤摘要】
网络训练方法、装置、分割方法、计算机设备和存储介质
本申请涉及医疗影像
，特别是涉及一种网络训练方法、装置、分割方法、计算机设备和存储介质。
技术介绍
气胸是空气泄漏到肺和胸壁之间的空间造成的一种肺部异常。气胸产生的原因可能是由胸部损伤或创伤而造成的，也可能是因为某些医疗程序，还可能是由于一些潜在的肺部疾病造成的损害，或者甚至没有明显的原因而自然形成的。现有技术中，用于诊断气胸的最常见的成像工具是胸部X光片(ChestX-ray,CXR)，气胸的诊断是放射科医师的常规工作，一般，医生通过目测对胸部X光片直接进行阅读，然后对胸片进行气胸诊断并且分析气胸区域以判断气胸的大小从而决定治疗方案。由于气胸的诊断和治疗与气胸区域的大小直接相关，因此胸片的分诊需要准确气胸分割结果，近些年来，随着人工智能技术的不断发展，基于深度学习技术的图像分割模型不断被提出，通过分割模型可以将气胸区域分割出来，以便医生进行诊断。但是，目前的分割模型存在训练数据不足的问题，导致气胸分割结果不够精确。
技术实现思路
基于此，有必本文档来自技高网...

【技术保护点】
1.一种网络训练方法，其特征在于，所述方法包括：/n获取多个图片级气胸数据、多个标准像素级气胸数据和多个不包括气胸区域的数据；所述图片级气胸数据中包括气胸区域；所述标准像素级气胸数据中包括气胸区域的标注信息；/n根据所述多个图片级气胸数据、所述多个标准像素级气胸数据和所述多个不包括气胸区域的数据训练初始分类网络，得到分类网络；所述分类网络用于将图片级气胸数据转换为对应的伪像素级气胸数据；/n根据所述多个标准像素级气胸数据和所述对应的伪像素级气胸数据训练初始分割网络，得到目标分割网络。/n

【技术特征摘要】
1.一种网络训练方法，其特征在于，所述方法包括：
获取多个图片级气胸数据、多个标准像素级气胸数据和多个不包括气胸区域的数据；所述图片级气胸数据中包括气胸区域；所述标准像素级气胸数据中包括气胸区域的标注信息；
根据所述多个图片级气胸数据、所述多个标准像素级气胸数据和所述多个不包括气胸区域的数据训练初始分类网络，得到分类网络；所述分类网络用于将图片级气胸数据转换为对应的伪像素级气胸数据；
根据所述多个标准像素级气胸数据和所述对应的伪像素级气胸数据训练初始分割网络，得到目标分割网络。


2.根据权利要求1所述的方法，其特征在于，根据所述多个标准像素级气胸数据和所述对应的伪像素级气胸数据训练初始分割网络，得到目标分割网络，包括：
根据预设算法建立所述分割模型的损失函数；所述预设算法用于补偿所述伪像素级气胸数据的不确定性；
将所述多个标准像素级气胸数据和所述对应的伪像素级气胸数据输入至所述初始分割网络中，根据所述初始分割网络的值更新所述损失函数的值，直至所述损失函数的值达到预设阈值，得到所述目标分割网络；所述目标分割网络用于分割出气胸区域。


3.根据权利要求2所述的方法，其特征在于，所述预设算法为空间标签平滑正则化算法，所述损失函数中包括标签标识位和不确定性系数；所述标签标识位用于区分输入所述初始分割网络的数据为标准像素级气胸数据或者伪像素级气胸数据。


4.根据权利要求1-3任一项所述的方法，其特征在于，所述图片级气胸数据的数量远大于所述标准像素级气胸数据的数量。


5.根据权利要求1所述的方法，其特征在于，所述根据所述多个图片级气胸数据、所述多个标准像素级气胸数据和所述多个不包括气胸区域的数据训练初始分类网络之前，所述方法包括：
对所述...

【专利技术属性】
技术研发人员：欧阳熹，郑介志，
申请(专利权)人：上海联影智能医疗科技有限公司，
类型：发明
国别省市：上海;31